符号、假设和测试统计
贯穿本文t吨ν(λ)表示t分布随机变量的概率密度函数(pdf)ν自由度和非中心参数λ中央t pdf,t吨ν(0),也可以写入t吨ν.A型t吨ν(λ)评估时间:x个已写入t吨ν(x个;λ).
假设基因表达测量可以在初步研究中进行。对于特定基因,我们表示n个1条件1和n个2根据条件2X(X)1我, (我= 1, ...,n个1)以及X(X)2j个, (j个= 1, ...,n个2). 让(μ1,)和(μ2,)是每个人的期望和方差X(X)1我和X(X)2j个分别是。为了简单起见,我们在本文中重点讨论以下情况。正如微阵列数据分析中常见的那样X(X)1我s和X(X)2j个假设s是正态分布的随机变量。
测量的表达水平通常在假设正态性之前进行转换。
在这种情况下,经常用于检测差异表达的统计数据是t-统计量。根据实验设置,可以使用两种版本的t-统计量。在第一个设置中,对每个条件分别进行测量。推断基于双样本统计
哪里和.在零假设下H(H)0:μ1=μ2,吨1有一个pdf格式。然而,如果,H(H)0不是真的,有区别μ1-μ2=ξ,统计数据的pdf是此设置包括比较单色阵列和双色阵列参考设计的测量值。在第二种实验中,测量值是成对的。例如,在以下情况下,n个直接比较两种条件的双色幻灯片,然后n个1=n个2=n个,所使用的统计数据为
哪里和现在,在H(H)0:μ1=μ2,吨2具有作为t吨n个- 1pdf格式。如果μ1-μ2=ξ然而吨2是一个t吨n个- 1(ξ σ-1).
在这两个实验设置中,我们注意到真正不受调控基因的t-统计量的pdf是t吨ν(0). 对于真正受调控的基因,pdf是t吨ν(δ),使用δ≠0反映了基因的差异表达水平。我们还注意到δ与基因的效应大小成正比,ξ/σ. Theδs可以被视为一些潜在随机变量Δ的实现,分布为小时(δ). 因此,根据我们的假设,观察到的t型芯应建模为t吨ν(δ)-分布,使用小时(δ)作为其混合分布。这个小时(δ)未直接观察到,必须进行估计。
在下文中,假设实验中计算的t-统计量是独立的。这个假设,以及这个假设,在微阵列设置中可能不成立。在测试部分,我们将检查这些假设不满足的情况,以了解结果是如何受到影响的。
估算效果大小的算法
让年j个,j个= 1, ...,米表示观察到的t统计量米实验基因,具有Y(Y)j个s作为相应的随机变量。让(f)(年)成为他们的pdf。我们的混合模型通常可以表述为
哪里小时(δ)是任何概率测度,离散或连续。估计小时(δ)我们想找到一个概率测度,使可能性最大化,L(左)(小时),其中
它已经显示出来了[17]为了解决这个最大化问题,当L(左)(小时)是有界的,只考虑离散概率测度就足够了米或更少的支持点。受此激励,我们选择小时(δ)作为离散概率测度,并旨在拟合形式的混合模型
这个小时(δ)因此是一个分布,其中Pr(δ=δ我)=π我, (我= 0, ...,克)、和.第二种形式(f)(年)在(3)中是由于知道δ=0表示未调控基因。
我们现在的目标是找到一个具有固定分量数的模型(3)的参数克+1。很明显,找到这些参数可以用缺失数据问题来表示,这表明需要使用EM算法[18]. 尽管在早期的工作中已经讨论过这种方法[13,16]到目前为止,还没有一种解决该问题的闭合形式EM算法。构造该算法的主要困难是缺乏非中心t-pdf的闭合形式表达式。在本节的其余部分中,我们将展示如何获得所需的算法。
与EM一样,随机分量标签向量Z轴1, ...,Z轴米定义了Y(Y)1, ...,Y(Y)米。这些有Z轴ij公司=(Z轴j个)我根据是否等于一或零Y(Y)j个属于我第个组件。A类Z轴j个根据
其中z(z)j个是随机的已实现值Z轴j个.
我们首先认识到这样一个事实,即的非中心t-pdf本身就是一种混合物。变量的累积分布根据t吨ν(δ)是(请参见[19])
差异化F类ν(年)关于年,并替换,收益率
这种形式的非中心t-pdf可以被识别为正常的混合物分布,按比例χν随机变量的混合分布U型基于(4)中的特征,我们可以引入一组新的缺失数据uij公司, (我= 0, ...,克;j个= 1, ...,米)实现了U型ij公司,并定义为(Y(Y)j个|u个ij公司,z(z)ij公司=1)在a之后分配。以这种形式重述模型,作为混合物的混合物,是找到闭合形式算法的关键步骤。
这个年j个s由z(z)ij公司s和u个ij公司s构成完整的数据集。可以编写完整的数据日志
哪里π=(π1, ...,π克),δ=(δ1, ...,δ克)以及(f)c(年|u个,z(z))以及克c(u个)上述是正常的和有刻度的吗χν分布。EM算法的E步要求L(左)c在(5)中,以数据为条件。将(4)与(5)结合起来,我们发现我们需要期望
计算第一个期望值很简单(参见示例[20])被发现是
计算第二个期望值比较困难,但通过使用贝叶斯定理,我们发现可以将其表述为(为了清楚起见,现在省略了指数)
哪里(f)c(u个|年,z(z))是的pdf(U型ij公司|年j个,z(z)ij公司= 1). 请注意克c(u个|z(z))=克c(u个)自U型ij公司和Z轴ij公司都是独立的。
现在必须计算(8)中的积分。为此,我们注意到被积函数的分母本身是一个积分,它不依赖于积分变量u个实际上,(8)是两个积分的比值。在两个积分中替换变量后,和,我们发现这个比率可以改写为小时-功能为
哪里数据仓库对于整数k个≥ 0. 的属性小时k个-功能在中进行了讨论[21]. 一个特别好的性质是它满足递归关系
易于计算,,我们有一种方便的计算方法(9)。
M步骤要求最大化L(左)c关于π和δ这是通过简单的微分和产量最大化来实现的
等式(6)和(9)–(11)构成了所需闭合形式EM算法的主干,以拟合类似于(3)的混合模型克+1个组件。根据方案更新参数估计
在收敛时,估计π和δ用作小时(δ)带有克+1点质量。如上所述,我们修复δ0= 0.
一个备受关注的问题是,当许多假设测试同时进行时,估计真零假设的比例(例如[三,22,23]). 在微阵列环境中,这相当于估计所有考虑的基因中真正不受调控的基因的比例。参考(3),我们看到这个数量作为π0.利用π0-估计,我们建议使用已知的保守值π0-估计以指导一些模型参数的选择。下文将对此进行讨论。在我们的实现中,我们使用了[24],但可能会输入不同的估计值。
评估混合物模型中适当数量的组分是一个尚未完全解决的难题。经常采用的策略是使用Akaike信息标准(AIC)等措施[25]或贝叶斯信息标准(BIC)[26]. 我们从模拟中发现,在我们的设置中,这些标准似乎低估了所需的组件数量(有关一些模拟结果,请参阅测试部分)。这可能是由于在微阵列数据中经常发现大量未调控基因。由于调控基因相对较少,根据这些标准,拟合额外成分的可能性增加不足以证明所使用的额外参数是合理的。在我们的实现中,我们使用克=对数2((1 -)米),其中是上述估算。这种选择是由经验驱动的,但在我们的数值研究中已经证明了它是足够的。它还反映了这样一个事实,即一个单一的成分应该为未调控的基因提供充分的解释,而其余的成分克组件解释了受监管的组件。一个不同的克可由样本量方法的用户指定。
拟合混合模型时可能出现的一个复杂情况是,可以分配给δ=0,或者非常接近它,从而影响中心部件的配合。为了避免这种情况,我们在附近定义了一个小邻里δ0=0,其中所有克其余组件被排除在外。A类δ我,我≠0,即在拟合模型时尝试穿过此邻域,但仅在邻域边界处停止。通过找到最小值来确定边界因此可以区分t吨ν(0)来自t吨ν()一个,基于大小样本和(1-)米/克分别是。后一种样本量假设受调控的基因在其组成部分中均匀分布。样本作为两个分布的0.05和0.95分位数内的均匀间隔点。用于检查两个样本是否来自同一分布的标准是两样本Kolmogorov-Smirnov检验,显著性水平为0.05。这个标准背后的理由是,对于克与调控基因相关的组分,我们只想让那些具有合理确定性的组分与中心组分区分开来。再一次使用的是上面讨论的估计值。
与拟合混合模型相关的另一个困难是,最佳拟合不是唯一的,这可能会导致收敛问题。困难在于排列混合成分不会改变似然函数。在我们的实施中,我们没有任何约束来解决这个问题。然而,我们在一些测试运行中跟踪了我们的混合物成分的更新,并没有发现出现此问题。
总之,我们的方法提供了估计,和数据中的非中心参数和一组权重。这些数量一起构成了对分布的估计小时(δ). 如测试统计a部分所示δ与效果大小成正比,ξ/σ。因此,不对数据中平均值或方差的数值大小进行估计或假设。我们只估计了一组均值-方差比。
FDR控制中样本量估计算法
实验设计中的一个重要问题是估计实验成功所需的样本量。我们现在概述了如何选择控制FDR的样本大小以及其他度量,以及如何将上述模型用于此目的。
表1总结了米假设检验。除之外的所有表元素米是随机变量。从表1常用的阳性假发现率(pFDR)[三]可以定义为E(R(右)0/M(M)R(右)|M(M)R(右)> 0). 在[三]还证明,对于给定的显著性区域和假设的试验独立性,我们
表1。
|
H(H)0认可的 |
H(H)0拒绝 |
总计 |
H(H)0真的 |
A类0
|
R(右)0
|
米0
|
H(H)0假 |
A类1
|
R(右)1
|
米1
|
总计 |
M(M)A类
|
M(M)R(右)
|
米 |
就p值而言第页和选定的p值截止α,(12)可以重写为
方程(13)在样本量估计中很重要,因为它提供了pFDR、显著性区域和样本量之间的关系。样本大小将决定Pr(第页<α)由于t分布的形状取决于n个1,n个2(本节末尾提供了解释)。Hu首先讨论了(13)在样本量估计中的应用等. [13].
使用(13)和拟合混合模型,可以估计达到指定值的样本量α和pFDR。剩下的问题是选择合适的α和pFDR。pFDR是一种易于理解的度量,其大小可以由样本大小估计方法的用户直接设置。如何挑选α另一方面,情况并不那么清楚。一个解决方案是将(13)重申为αpFDR和其他统计指标。胡等.提出一种这样的关系。他们建议选择α通过指定被拒绝的假设的预期数量,E(M(M)R(右)). 他们的想法是取代Pr(第页<α)=E(M(M)R(右))/米在(13)中获得
用文字表示,而不是指定α,可以指定E(M(M)R(右)). 这种获取方式α然而,它有一个缺点。它几乎没有向用户提供有关实验识别受调控基因能力的直接信息。我们认为,这是一种信息量更大的选择方式α将允许用户指定数量,例如平均功率或假不发现率(FNR)。我们现在讨论如何实现这一点。
权力被定义为拒绝一个错误假设的概率。在微阵列多重假设设置中,平均功率控制正确识别的受调控基因的比例。设置α通过一种直观而有吸引力的衡量标准,平均功率将因此而有所帮助。之间的关系α平均功率可以通过将(13)中右侧的分母改写为
识别Pr(第页<α|H(H)0false)作为平均功率,(13)可以倒置求出
结合(15)和(13)可以找到达到指定pFDR和平均功率的样本大小,而无需指定α.
另一个有趣的控制指标是虚假不被发现率(FNR),即假设中虚假否定的预期比例不拒绝。换言之,FNR控制被错误接受为不受调控的受调控基因的比例。我们使用中讨论的FNR版本[15]称为pFNR=E(A类1/M(M)A类|M(M)A类>0),在与pFDR相同的假设下,可以表示为
根据pFDR和α产量
同样,指定pFNR将对应于特定的选择α.pFNR设置方法α使用起来可能很有趣。然而,人们应该注意到,在微阵列设置中,这种测量有时很难应用。原因是潜在的M(M)A类由于非调节基因的比例很高。一个大的M(M)A类使pFNR数值较小,并且可能很难设置合理的大小。
选择pFDR和α(根据平均功率或pFNR),我们需要找到解决(13)问题的样本量。为此,我们表示Pr(第页<α)通过我们的混合模型(3)as
哪里年0是对应于p值截止值的t核α用于测试无效假设。自(f)(年)是以下各项的加权和t吨ν(δ)s、 需要取的积分只是(非中心)t分布的分位数。样本量影响(17),因为所有t吨ν(δ)表中列出了要集成的,使用秒1(n个)以及秒2(n个)依赖于n个1和n个2(参见(1)和(2)的pdf)。如果效果大小和重量我们知道我们可以为所有人进行评估秒1(n个),秒2(n个).
然而,这些参数可以从拟合模型中找到。为了获得效果大小,我们可以将其相等,其中ñ是拟合中使用的样本大小。直接估算重量。表达了Pr(第页<α)就样本量而言,我们的目标是找到一个能够解决(13)问题的方法。这个问题可以重新表述为查找函数的根
为了找到的根S公司(n个)我们实现了一种二分法。
测试
为了评估我们的方法,我们实现了EM算法和上面描述的样本大小估计方法。然后我们对模拟数据集进行测试。由于上述原因,我们在样本量估计中重点控制了平均功率和pFDR。
当使用模拟数据集时,可以计算实现pFDR和平均功率给定组合所需的真实样本大小。为了评估我们方法的性能,我们将估计值与真实值进行了比较。为了与现有方法进行比较,我们还包括了Hu的方法所做的估计等. [13]、磅和成[14]和帕维坦等. [16].
使用现有方法
在他们的论文中Hu等讨论三种不同的混合模型。在我们的比较中,我们使用了他们的截断正态模型,因为这似乎是最受欢迎的模型。要使用此模型生成样本量估计值,需要输入想要的pFDR和E(M(M)R(右)). 由于我们希望控制pFDR和平均功率,我们计算了E(M(M)R(右))对应于pFDR的每个选择,平均功率为E(M(M)R(右))=平均功率·米(1 -π0)/(1–pFDR)。所有测试都使用源代码中的默认参数运行。在胡锦涛的实施中等但是,有三个参数(diffthres、iternum、gridsize)缺少默认值。作者提供了合理的选择(0.01,10100)。
对于Pounds and Cheng方法,需要输入称为预期错误发现率(aFDR)的数量和预期平均功率。对于这里给出的估计,我们使用了相应的pFDR和平均功率组合。由于Pounds和Cheng使用F统计量,我们测试中计算的t统计量也进行了相应的转换。(如果T跟随t吨ν分布,然后T2作为分发F类1,ν). 在实施过程中,Pounds和Cheng设定了样本大小估计值的上限nmax,并用nmax本身替换所有高于nmax的估计值。在我们的测试中,默认值nmax=50被替换为nmax=1000。其原因是,在测试中,样本量估计可能会超过50个。使用低nmax将影响与其他方法的比较。除了nmax之外,所有测试都使用源代码中的默认参数运行。
在[16]帕维坦人等讨论一种将混合模型拟合到t-统计量的方法。拟合模型用于估计未调节基因的比例,π0。提到了使用他们的方法估计样本量,但没有进一步探索或测试。拟合模型所需的唯一输入是混合组分的数量。在我们的测试中,这个数字是根据Pawitan的建议使用AIC确定的等在他们的论文中。在执行Pawitan等.靠近中心部件的非中心部件的分配不受限制。使用未经调整的模型拟合进行的初步测试表明,这大大恶化了样本量估计。因此,在我们的测试中,我们通过在给定阈值内折叠所有非中心组件来调整其拟合模型(|δ|<0.75)进入中央。我们的模型调整对应于π0-帕维坦实施中使用的估算程序等。对于测试运行,我们使用我们的程序根据此方法拟合的模型生成样本量估计值。
测试程序和结果
对于此处显示的测试结果,我们使用米=10000个基因,以及n个1=n个2=每组5次测量。对于未调节基因的比例,我们检查了π0=0.7和π0= 0.9.
在第一组测试中,我们考虑了正态分布测量和等方差情况下的样本量估计。在这种情况下,我们模拟了有关联结构和无关联结构的数据。非中心参数的真实分布米1= (1 -π0)米受调控的基因是通过以下方式产生的:从N个(1,0.52)和aN个(-1,0.52)分布。两个样本的大小都相同米1/2,他们一起组成了用于数据集中的调控基因。测量差异设置为。然后将受调控基因的非中心参数计算为(参见(1)的讨论)。根据我们的微阵列数据分析经验,上述选择似乎适用于对数转换微阵列测量。由于真实的非中心参数都是已知的,因此可以计算出实现特定pFDR和平均功率所需的真实样本大小。
相关性是使用块大小为50的块相关结构引入的。这种结构背后的原因在[27]. 所有的基因,不管是受调控的还是不受调控的,都被随机分配到它们的区块。然后,通过从统一的U型(-1,1)分布到对称矩阵的非对角元素中。然后,使用[28],我们迭代找到与随机生成的矩阵最接近的单位对角线半正定矩阵。
使用上述方法,我们模拟了数据。对于每个测试用例,我们生成了50个数据集,并基于这些数据集进行了样本大小估计。在最初的测试中,我们想评估我们选择使用更多的混合物成分,克,而不是AIC或BIC标准所建议的。为此,使用我们的算法将两个模型拟合到每个模拟数据集。一个模型有我们选择的混合组分数量,另一个模型具有AIC指示的数量。然后对这两个模型进行样本量估计。与AIC而不是BIC进行比较的原因是,在这种情况下,BIC所支持的组件比AIC更少。在这个初始运行中,只使用了不相关的数据。样本量估计结果如表所示2AIC和我们的方法选择的平均成分数量分别为6.1和11.8π0=0.7、5.0和10.1π0=0.9。根据我们的发现,我们得出结论,使用比AIC建议的更多的组件可能会有好处,并且我们在剩余的测试中使用了更多的组件。然后,我们将注意力转向比较不同的样本量估算方法。使用所有四种方法生成不相关和相关数据,并生成样本大小估计值。结果见表的上半部分三一般来说,我们的估计值似乎接近其真实值。当基因之间没有相关性时,结果稍好。正如预期的那样,随着功率的增加,精度降低,标准偏差增加。这可能与描述非中心性参数分布的困难问题有关,该分布非常接近无调节点,即接近δ= 0. 胡的估计等与我们的估计值相比,似乎在很大程度上偏离了真实值,并且更加保守,但标准差更低。在高功率的估计中,与真实值的偏差特别高。Pounds和Cheng的估计值似乎偏离了真实值,比我们的估计值更保守,标准偏差更高。Pounds和Cheng的估计值的保守性也可以从他们自己的数值测试中看出,其中估计的实际功率超过了期望功率。帕维坦的估计等看起来比胡强等.和Pounds and Cheng,但似乎仍比我们的估计值更接近真实值,并且标准偏差更高。对于高功率,使用此方法有低估所需样本大小的趋势。
表2。
π0
|
pFDR公司 |
权力 |
真的 |
JMB(标准偏差) |
AIC(标准偏差) |
0.7 |
0.05 |
0.6 |
6 |
6 (0.3) |
7 (0.5) |
0.7 |
0.05 |
0.7 |
8 |
8 (0.5) |
8 (0.8) |
0.7 |
0.05 |
0.8 |
11 |
10 (1.1) |
15 (4.0) |
0.7 |
0.05 |
0.9 |
24 |
22 (2.5) |
52 (22.5) |
0.7 |
0.01 |
0.6 |
9 |
9 (0.7) |
9 (0.5) |
0.7 |
0.01 |
0.7 |
11 |
11 (0.8) |
12 (1.0) |
0.7 |
0.01 |
0.8 |
16 |
15 (1.8) |
25 (8.4) |
0.7 |
0.01 |
0.9 |
35 |
35(3.6) |
79 (34.4) |
0.9 |
0.05 |
0.6 |
9 |
8 (1.1) |
11 (3.8) |
0.9 |
0.05 |
0.7 |
11 |
11 (2.4) |
15 (5.6) |
0.9 |
0.05 |
0.8 |
16 |
15 (4.1) |
21(8.5) |
0.9 |
0.05 |
0.9 |
35 |
24 (7.9) |
33 (13.7) |
0.9 |
0.01 |
0.6 |
11 |
11 (1.9) |
15 (6.3) |
0.9 |
0.01 |
0.7 |
14 |
14 (3.2) |
21 (8.8) |
0.9 |
0.01 |
0.8 |
21 |
20 (6.3) |
29 (12.7) |
0.9 |
0.01 |
0.9 |
45 |
32 (11.1) |
44 (21.8) |
表3。
|
|
|
无相关性 |
具有相关性 |
π0
|
pFDR公司 |
权力 |
真的 |
JMB(标准偏差) |
HZW(标准偏差) |
个人电脑(sd) |
PMMP(标准偏差) |
真的 |
联合管理委员会(sd) |
HZW(标准偏差) |
个人电脑(sd) |
PMMP(标准偏差) |
0.7 |
0.05 |
0.6 |
6 |
6 (0.4) |
11 (0.0) |
11 (1.6) |
6(0.4) |
6 |
6 (0.5) |
11 (0.0) |
11(1.4) |
6 (0.5) |
0.7 |
0.05 |
0.7 |
8 |
8 (0.6) |
18 (0.2) |
14 (2.8) |
7 (1.0) |
8 |
8 (1.0) |
18 (0.0) |
14 (2.3) |
7 (0.9) |
0.7 |
0.05 |
0.8 |
11 |
11 (1.5) |
39 (0.7) |
20 (4.8) |
9 (2.5) |
11 |
11 (2.0) |
38 (0.5) |
19 (4.1) |
9 (2.0) |
0.7 |
0.05 |
0.9 |
23 |
24 (3.4) |
146 (2.4) |
30 (9.5) |
13 (6.5) |
23 |
23 (4.5) |
145 (1.6) |
29 (7.9) |
15 (6.8) |
0.7 |
0.01 |
0.6 |
9 |
9(0.5) |
17 (0.5) |
16 (2.7) |
9 (0.9) |
9 |
9 (0.7) |
17 (0.5) |
16 (2.4) |
8 (0.8) |
0.7 |
0.01 |
0.7 |
11 |
11(1.1) |
28 (0.5) |
21 (4.6) |
10(1.7) |
11 |
11 (1.7) |
28 (0.5) |
21 (3.8) |
10 (1.7) |
0.7 |
0.01 |
0.8 |
16 |
16 (2.4) |
60 (1.1) |
28 (7.9) |
13 (4.5) |
16 |
16 (3.3) |
60 (0.8) |
27 (6.4) |
13 (3.4) |
0.7 |
0.01 |
0.9 |
34 |
37 (6.0) |
231 (4.2) |
42 (14.5) |
18 (10.0) |
32 |
36 (7.5) |
229 (2.8) |
40 (11.9) |
22 (11.3) |
0.9 |
0.05 |
0.6 |
9 |
9 (2.1) |
16 (0.5) |
24 (7.8) |
9 (3.9) |
8 |
9 (2.6) |
16(0.5) |
23 (6.6) |
9 (3.1) |
0.9 |
0.05 |
0.7 |
11 |
11 (3.5) |
27 (0.8) |
31 (11.4) |
11 (7.1) |
10 |
12 (4.1) |
27(0.8) |
30 (9.7) |
11 (6.6) |
0.9 |
0.05 |
0.8 |
16 |
16(5.2) |
59 (1.7) |
41 (16.7) |
15 (11.1) |
14 |
16 (5.9) |
58 (1.7) |
41 (14.4) |
15 (11.8) |
0.9 |
0.05 |
0.9 |
34 |
26 (7.6) |
227(6.6) |
60 (26.8) |
21 (17.9) |
29 |
25 (8.5) |
225 (6.7) |
59 (23.1) |
22 (18.8) |
0.9 |
0.01 |
0.6 |
11 |
12 (3.3) |
22 (0.7) |
33 (11.8) |
12 (6.0) |
11 |
12 (4.1) |
22 (0.6) |
32 (9.9) |
12 (4.9) |
0.9 |
0.01 |
0.7 |
14 |
15 (5.3) |
38 (1.2) |
43(16.9) |
15 (10.4) |
13 |
16 (6.0) |
37 (1.2) |
42 (14.4) |
15 (9.9) |
0.9 |
0.01 |
0.8 |
21 |
21 (7.4) |
82 (2.6) |
56(24.3) |
20 (15.6) |
19 |
21 (8.4) |
81(2.7) |
55 (20.9) |
21 (16.8) |
0.9 |
0.01 |
0.9 |
46 |
35 (10.0) |
318 (10.0) |
79 (37.2) |
27 (24.3) |
38 |
33 (11.3) |
316 (11.3) |
78 (32.0) |
29 (25.1) |
|
|
|
|
|
|
|
|
|
|
|
|
|
0.7 |
0.05 |
0.6 |
6 |
6 (0.2) |
6 (0.0) |
10 (1.0) |
6 (1.1) |
6 |
6 (0.3) |
6 (0.0) |
10 (1.1) |
5 (0.7) |
0.7 |
0.05 |
0.7 |
7 |
8 (0.7) |
8 (0.3) |
12 (1.7) |
8 (2.4) |
7 |
8 (0.7) |
8 (0.1) |
12 (1.8) |
7(1.6) |
0.7 |
0.05 |
0.8 |
9 |
11 (1.4) |
16 (0.4) |
16 (2.9) |
10 (4.9) |
9 |
11 (1.5) |
16 (0.2) |
16 (3.2) |
10(3.8) |
0.7 |
0.05 |
0.9 |
14 |
23 (4.1) |
56 (1.2) |
24(5.5) |
18 (11.3) |
15 |
24 (5.3) |
56 (1.0) |
25 (6.1) |
14 (7.8) |
0.7 |
0.01 |
0.6 |
8 |
8 (0.6) |
8 (0.0) |
11 (1.7) |
8 (2.2) |
8 |
8 (0.7) |
8 (0.0) |
14 (1.8) |
8 (1.0) |
0.7 |
0.01 |
0.7 |
10 |
11 (1.1) |
12 0.1) |
14 (2.8) |
11 (4.3) |
10 |
11 (1.3) |
12 (0.1) |
18 (2.8) |
10 (3.1) |
0.7 |
0.01 |
0.8 |
13 |
16 (2.5) |
23 (0.5) |
24 (4.6) |
15 (8.4) |
15 |
16(2.5) |
23 (0.3) |
24 (5.0) |
13 (6.4) |
0.7 |
0.01 |
0.9 |
26 |
36 (7.2) |
84 (1.8) |
35 (8.4) |
27 (17.8) |
30 |
37(8.8) |
83 (1.3) |
34 (9.4) |
20(12.0) |
0.9 |
0.05 |
0.6 |
8 |
10 (2.0) |
7 (0.4) |
21 (8.2) |
8 (1.6) |
8 |
10 (2.3) |
8 (0.4) |
24 (8.5) |
9 (3.6) |
0.9 |
0.05 |
0.7 |
9 |
13 (3.3) |
11 (0.7) |
27 (12.1) |
10 (3.9) |
9 |
13 (3.4) |
12 (0.7) |
32 (12.8) |
11 (5.7) |
0.9 |
0.05 |
0.8 |
12 |
18 (5.5) |
21 (1.2) |
37 (19.0) |
13 (8.0) |
13 |
19 (5.0) |
23 (1.5) |
44 (19.7) |
14 (8.7) |
0.9 |
0.05 |
0.9 |
24 |
31 (8.5) |
76(4.6) |
54 (30.2) |
18 (14.5) |
25 |
31 (7.9) |
85 5.4) |
65 (32.6) |
20 (14.5) |
0.9 |
0.01 |
0.6 |
11 |
13(3.1) |
9 (0.5) |
29 (12.6) |
11(2.4) |
11 |
13 (3.6) |
10 (0.6) |
34 (13.2) |
12 (5.6) |
0.9 |
0.01 |
0.7 |
13 |
17 (5.0) |
16 (0.6) |
38 (18.5) |
14 (6.2) |
14 |
19 (5.0) |
17 (0.8) |
45 (19.6) |
15 (8.2) |
0.9 |
0.01 |
0.8 |
18 |
25 (8.1) |
28 (1.5) |
50 (27.2) |
17 (11.8) |
19 |
26 (7.1) |
31 (1.9) |
60 (29.2) |
19 (12.3) |
0.9 |
0.01 |
0.9 |
51 |
43 (11.4) |
103 (6.2) |
72 (42.8) |
23 (19.8) |
53 |
43 (10.9) |
115 (7.9) |
88(46.3) |
26 (19.7) |
还运行了具有正态分布测量值的测试,其中根据伽马分布得出,其中方差根据下面讨论的模型而不同。结果与上述结果相似(未显示)。
在第二组测试中,我们希望模拟具有真正微阵列实验特征的模型中的数据。我们还想了解如果正态性和方差相等的假设不成立,样本量估计会受到什么样的影响。为了实现这一点,我们基于包含在limma软件包中的涡流数据集进行模拟[29]以及Rock和Durbin讨论的基因表达水平测量模型[30]. Roke和Durbin的模型表明
哪里w个是强度测量值,μ是表达式级别,α是背景级别∈和η错误项分布为N个(0,)以及N个(0,)分别是。使用他们在论文中讨论的估计方法,我们估计了涡流数据集(18)的参数。估计参数突变型为(394.12,150.84,0.18),野生型为(612.99,291.40,0.19)。为了生成一组代表相同数据的对数比率,我们进行了limma用户指南中概述的显著性分析。对于FDR调整的p值,我们使用0.10的临界值,获得了一组280个可能受调控基因的对数比率。在我们的测试中,受调控基因的对数比率是从这组样本中进行替换的。真正的表达水平是通过从突变数据集中的基因的背景校正平均强度中取样而产生的。为了模拟两种条件下的微阵列数据,使用了以下程序:对一组对数比率和一种条件下真实表达水平进行采样。然后计算其他条件的真实表达水平。使用上述模型及其各自的参数集,对两种条件下的测量进行了模拟,然后进行对数转换。为了在这个设置中引入相关性,我们添加了一个随机效果,γ到每个相关基因块的对数转换测量。这个γ是从N个(0,)分配。再次假设区块大小为50,并将基因随机分配到每个区块。在这种情况下,真实的样本量要求是通过重复从给定模型中提取数据集并在t统计量的截断值的精细网格上计算其平均功率和FDR来估计的。由于调控基因已知,因此可以进行直接计算。
在生成如上所述的模型后,我们再次模拟了有关联结构和无关联结构的数据。对于每个测试设置,我们抽样50个数据集,并使用所有四种方法从数据中估计样本大小。结果汇总在表的下半部分三.对于胡的方法等.和Pounds and Cheng的趋势与第一组测试中的趋势相同。我们的方法似乎稍微高估了所需的样本量,而Pawitan方法等现在有趣地提供了最接近真实值的估计。帕维坦估计值的标准偏差等仍然比我们的高一些。
请注意,由于Hu的实现等.和Pounds and Cheng仅支持基于双样本t统计(1)的样本大小估计,列出的所有测试都基于此统计。我们的实现支持这两种类型,并且还运行了测试来检查单样本t-统计量的情况(2)。结果与双样本t统计量的结果相似(未显示)。